Buchumschlag

Neyman Meets Causal Machine Learning: Experimental Evaluation of Individualized Treatment Rules

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Michael Lingzhi, Imai, Kosuke
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Methodology Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Statistical Inference for Heterogeneous Treatment Effects Discovered by Generic Machine Learning in Randomized Experiments
von: Imai, Kosuke, et al.
Veröffentlicht: (2022)

Statistical Performance Guarantee for Subgroup Identification with Generic Machine Learning
von: Li, Michael Lingzhi, et al.
Veröffentlicht: (2023)

Cramming Contextual Bandits for On-policy Statistical Evaluation
von: Jia, Zeyang, et al.
Veröffentlicht: (2024)

Individualized Policy Evaluation and Learning under Clustered Network Interference
von: Zhang, Yi, et al.
Veröffentlicht: (2023)

Using Machine Learning to Test Causal Hypotheses in Conjoint Analysis
von: Ham, Dae Woong, et al.
Veröffentlicht: (2022)

Minimax Regret Estimation for Generalizing Heterogeneous Treatment Effects with Multisite Data
von: Zhang, Yi, et al.
Veröffentlicht: (2024)

GenAI-Powered Inference
von: Imai, Kosuke, et al.
Veröffentlicht: (2025)

CURLS: Causal Rule Learning for Subgroups with Significant Treatment Effect
von: Zhou, Jiehui, et al.
Veröffentlicht: (2024)

Stronger Neyman Regret Guarantees for Adaptive Experimental Design
von: Noarov, Georgy, et al.
Veröffentlicht: (2025)

Comment on "Generic machine learning inference on heterogeneous treatment effects in randomized experiments."
von: Imai, Kosuke, et al.
Veröffentlicht: (2025)

Safe Policy Learning through Extrapolation: Application to Pre-trial Risk Assessment
von: Ben-Michael, Eli, et al.
Veröffentlicht: (2021)

A New Causal Rule Learning Approach to Interpretable Estimation of Heterogeneous Treatment Effect
von: Wu, Ying, et al.
Veröffentlicht: (2023)

Fusing Individualized Treatment Rules Using Secondary Outcomes
von: Gao, Daiqi, et al.
Veröffentlicht: (2024)

Neyman-Pearson Multi-class Classification via Cost-sensitive Learning
von: Tian, Ye, et al.
Veröffentlicht: (2021)

Causal Rule Ensemble: Interpretable Discovery and Inference of Heterogeneous Treatment Effects
von: Bargagli-Stoffi, Falco J., et al.
Veröffentlicht: (2020)

Transfer Learning for Classification under Decision Rule Drift with Application to Optimal Individualized Treatment Rule Estimation
von: Wang, Xiaohan, et al.
Veröffentlicht: (2025)

Neyman-Pearson multiclass classification under label noise via empirical likelihood
von: Zhang, Qiong, et al.
Veröffentlicht: (2026)

Covariate Balancing and Riesz Regression Should Be Guided by the Neyman Orthogonal Score in Debiased Machine Learning
von: Kato, Masahiro
Veröffentlicht: (2026)

Simulation-Based Sensitivity Analysis in Optimal Treatment Regimes and Causal Decomposition with Individualized Interventions
von: Park, Soojin, et al.
Veröffentlicht: (2025)

Locally Interpretable Individualized Treatment Rules for Black-Box Decision Models
von: Charvadeh, Yasin Khadem, et al.
Veröffentlicht: (2026)

Estimating Causal Effects with Double Machine Learning -- A Method Evaluation
von: Fuhr, Jonathan, et al.
Veröffentlicht: (2024)

Maximin Learning of Individualized Treatment Effect on Multi-Domain Outcomes
von: Lu, Yuying, et al.
Veröffentlicht: (2026)

Doubly Robust Proximal Causal Learning for Continuous Treatments
von: Wu, Yong, et al.
Veröffentlicht: (2023)

A Causal Machine Learning Framework for Treatment Personalization in Clinical Trials: Application to Ulcerative Colitis
von: Minoccheri, Cristian, et al.
Veröffentlicht: (2026)

Position: Causal Machine Learning Requires Rigorous Synthetic Experiments for Broader Adoption
von: Poinsot, Audrey, et al.
Veröffentlicht: (2025)

Causal Representation Learning with Optimal Compression under Complex Treatments
von: Liang, Wanting, et al.
Veröffentlicht: (2026)

Adaptive Estimation and Inference in Semi-parametric Heterogeneous Clustered Multitask Learning via Neyman Orthogonality
von: Chen, Hanxiao, et al.
Veröffentlicht: (2026)

Causal Machine Learning: A Survey and Open Problems
von: Kaddour, Jean, et al.
Veröffentlicht: (2022)

Causal Inference with Complex Treatments: A Survey
von: Wang, Yingrong, et al.
Veröffentlicht: (2024)

What if? Causal Machine Learning in Supply Chain Risk Management
von: Wyrembek, Mateusz, et al.
Veröffentlicht: (2024)

Machine Learning Who to Nudge: Causal vs Predictive Targeting in a Field Experiment on Student Financial Aid Renewal
von: Athey, Susan, et al.
Veröffentlicht: (2023)

Learning Robust Treatment Rules for Censored Data
von: Cui, Yifan, et al.
Veröffentlicht: (2024)

Estimating Heterogeneous Treatment Effects for Spatio-Temporal Causal Inference
von: Zhou, Lingxiao, et al.
Veröffentlicht: (2024)

Integrating Active Learning in Causal Inference with Interference: A Novel Approach in Online Experiments
von: Zhu, Hongtao, et al.
Veröffentlicht: (2024)

On Learning Causal Structures from Non-Experimental Data without Any Faithfulness Assumption
von: Lin, Hanti, et al.
Veröffentlicht: (2018)

Invariant Causal Set Covering Machines
von: Godon, Thibaud, et al.
Veröffentlicht: (2023)

Generalized Neyman Allocation for Locally Minimax Optimal Best-Arm Identification
von: Kato, Masahiro
Veröffentlicht: (2024)

Enhancing Airline Customer Satisfaction: A Machine Learning and Causal Analysis Approach
von: Mirthipati, Tejas
Veröffentlicht: (2024)

Double Machine Learning for Conditional Moment Restrictions: IV Regression, Proximal Causal Learning and Beyond
von: Shao, Daqian, et al.
Veröffentlicht: (2025)

Language Agents Meet Causality -- Bridging LLMs and Causal World Models
von: Gkountouras, John, et al.
Veröffentlicht: (2024)